MétaCan
Menu
Retour à la cohorte
Enregistrement W4238740452 · doi:10.1109/msec.2019.2936696

Table of contents

2019· article· en· W4238740452 sur OpenAlexaff
Omer Tene, Katrine Evans, Bruno Gencarelli, Gabe Maldoff, Gabriela Zanfir-Fortuna, Nurul Momen, Majid Hatamian, Lothar Fritsch, Jatinder Singh, Jennifer Cobbe, Cesare Bartolini, Gabriele Lenzini, Livio Robaldo, Bülent Yener, Tsvi Gal, M. Sadegh Riazi, Darvish Bita, Farinaz Rouhani, Dan Boneh, Andrew Grotto, Patrick McDaniel, Nicolas Papernot, Scott Ruoti, Kent Seamons, Alan T. Sherman, Linda Oliva, Enis Golaszewski, Dhananjay S. Phatak, Travis Scheponik, Geoffrey Herman, Dong Wik Choi, Spencer Offenberger, Peter A. Petérson, Josiah Dykstra, Gregory V. Bard, Ankur Chattopadhyay, Filipo Sharevski, R. C. Verma, Ryan Vrecenar, Andrew Fasano, Tim Leek, Brendan Dolan-Gavitt, Joshua Bundt, James Michael, Daniel E. Geer, Dale Peterson

Notice bibliographique

RevueIEEE Security & Privacy · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiquePrivacy, Security, and Data Protection
Établissements canadiensRegional Municipality of Niagara
Organismes subventionnairesnon disponible
Mots-clésComputer scienceInformation retrieval

Résumé

récupéré en direct d'OpenAlex

Nearly a decade in the making, the General Data Protection Regulation (GDPR), Europe's massive overhaul of its privacy and data protection laws, came into effect to great fanfare in May 2018. Impacting every area of an economy marked by technological and data innovation, including the public and private sectors, finance and health care, retail and education, transportation, pharmaceuticals, utilities, and scientific research, the GDPR carried immense promise but also many implementation challenges and interpretation complexities. A year in, it is not too soon to pause for reflection and to explore the reform's effect on corporate and organizational data practices, particularly at the intersection of policy, law, and engineering.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,174
Score d'incertitude au seuil0,248

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0020,001
Communication savante0,0060,003
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,8260,759

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,030
Tête enseignante GPT0,301
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Security & PrivacyMême sujetPrivacy, Security, and Data ProtectionTravaux en français237 207